对于一个达到 Shopify 规模、日均处理 1000 万次对话的商家助手而言，未经优化的月度成本高达 210 万美元，而经过优化后这一数字可压低至 45 万美元。这 78% 的巨大价差并非源于算法层面的重大突破，而是归功于缓存、路由策略以及几项工程纪律——这些往往是大多数团队在收到账单前会忽略的细节。
AI Agent 并非单纯多走几步的聊天机器人。单一的用户请求会触发规划、工具筛选、执行、验证，甚至重试循环——其 Token 消耗量约为直接交互的 5 倍。若一个 ReAct 循环运行 10 个周期，相比单次处理，其消耗量可达 50 倍之多。在尖端模型的高昂定价下，这种数学模型很快就会变成负债。
本文将深入剖析 Agent 成本的来源，并介绍那些经过数据验证、能切实起到节流作用的具体技术手段。
为何 Agent 成本不同于聊天机器人
首先需要理解的是输出 Token 的溢价问题。在主流服务提供商中，输出 Token 的价格通常是输入 Token 的 3 到 8 倍，因为生成过程是串行的，而输入处理则是并行的。对于侧重推理的模型，这一比例甚至达到 8:1。当你的 Agent 产生冗长的工具调用响应、详细的推理轨迹或长篇摘要时，你都在以溢价费率为每一个输出 Token 买单。
上下文长度进一步加剧了这一问题。由于注意力计算的二次方成本，处理 128K Token 的上下文大约是处理 8K 上下文成本的 64 倍。Agent 系统自然会累积上下文：系统提示词、工具定义、对话历史、检索到的片段以及工具响应。每一轮对话，上下文都在增长。大多数团队在预演阶段会发现这一点：原本在短文本测试中仅需 0.05 美元的任务，在面对真实文档库时成本突然飙升至 1.50 美元。
目前，最便宜与最昂贵模型选项之间的价差约为 60 倍。以每百万输入/输出 Token 约 0.075/0.30 美元的 Gemini Flash-Lite 为例，对比每百万 15/60 美元的尖端推理模型。这种价差是一个机遇——但前提是你必须有意识地进行路由。
提示词缓存：唾手可得的降本红利
提示词缓存的原理是复用先前请求中计算出的键值注意力张量，前提是新请求与旧请求具有相同的前缀。Anthropic 对缓存的输入 Token 提供 90% 的折扣（0.30 美元/M 对比 3.00 美元/M），Google 提供七五折，而 OpenAI 则在符合条件的请求上自动应用五折优惠。
对于 Agent 系统而言，其中的启示显而易见：构建提示词时，应将静态内容置于首位。系统提示词、工具定义、少样本示例、策略文档——所有这些都应构成稳定的前缀。动态内容（即实际的用户消息、当前轮次检索到的上下文）则置于末尾。这并非审美问题，而是直接决定了缓存是否生效。
在实践中，Claude Code 实现了 92% 的缓存命中率，从而带来了 81% 的处理成本降幅。固定的 10,000 Token 系统提示词在首次请求后的实际成本几乎为零。某客户支持应用将其产品目录从动态插入转为缓存前缀，在未改变输出质量的情况下，每月节省了 12,000 美元的 API 账单。
除了降低成本，缓存还能减少延迟。当长前缀启用缓存时，平均响应延迟从 800 毫秒降至 350 毫秒，因为模型跳过了对稳定部分注意力矩阵的重新计算。
工程层面的开销微乎其微：缓存窗口的 TTL（生存时间）范围从 5 分钟（Anthropic）到约 1 小时（OpenAI）。对于服务重复用户会话的 Agent，热缓存几乎随时可用。对于批量管道，应构建作业以使批次内的请求共享前缀。
模型路由与级联：让成本与复杂度匹配
并非每个查询都需要尖端模型。关键在于如何分辨——答案取决于三个维度：推理复杂度、质量敏感度以及上下文长度。
在典型的生产环境 Agent 工作负载中，分布大致如下：
- 60% 的任务直截了当：信息提取、分类、格式化、模板化回复。这些在每百万次调用成本低于 1 美元的模型上即可流畅运行。
- 25% 需要中等程度的推理：多跳问答、代码生成、结构化分析。中端模型（0.80-4 美元/M）能很好地处理这些任务。
- 12% 涉及真正的复杂性：模棱两可的指令、长周期规划、跨异构源的综合。高端模型在此处物有所值。
- 3% 需要尖端推理能力：新颖问题、高风险决策、突发行为。
实施得当的路由系统能在典型的 Agent 部署中实现 30-60% 的成本削减，顶级实现甚至能达到 87%。
针对 Agent 系统的实用模式是将编排与执行分离。使用昂贵的模型用于规划层——它读取相对较短的任务描述并做出路由决策，因此其 Token 消耗是可控的。使用廉价模型执行具体步骤：摘要、提取、格式转换、检索排序。由 Claude Haiku 执行工具调用，而 Sonnet 或 Opus 规划整体策略，这是一种常见且有效的分工。
模型级联更进一步：从最便宜的层级开始处理每个请求，根据标准（置信度、格式有效性、事实基础——如果你有检索源）对响应打分，若分数低于阈值则升级。级联带来的额外延迟通常是值得的——大多数请求在第一层级即完成，升级仅针对少数困难部分。
基于置信度的路由需要一定的校准。如果你自建系统，logprob 熵是开源模型的一个可用信号。对于专有 API，你需要一个代理评估器（通常是一个更小、更快的模型，用于检查首次响应是否达标）。代理的额外成本通常仅占路由节省成本的不到 5%。
上下文压缩：精简输入内容
上下文中的每一个 Token 都有直接成本。上下文压缩就是将上下文剥离至任务所需的最低限度的实践。
滚动摘要是基线技术。与其传递完整的对话历史，不如每 N 轮（通常 5-10 轮）进行一次摘要。摘要向前传递，完整记录则被归档。这将上下文的增长限制在随摘要频率线性增长，而非随轮次线性增长。权衡在于早期轮次的细粒度细节将不可用——这对大多数用例是可以接受的，但对于需要记住每个决策的代码审查 Agent 则不可接受。
工具输出掩蔽经常被忽视。当 Agent 调用网页抓取器、API 或数据库查询时，原始响应通常包含与当前任务无关的标头、元数据和字段。在插入上下文之前剥离这些内容，可以将工具输出 Token 减少 60-80%。为每种工具类型编写后处理器，仅提取模型真正需要的字段。
学习型压缩工具如 LLMLingua，使用较小的模型来压缩提示词，通过识别并移除低信息 Token。据报告，客户服务提示词从 800 个 Token 减少到 40 个（减少 95%），且保持了可接受的准确性。陷阱在于：压缩本身需要调用 LLM，增加了延迟和 Token 成本。只有当压缩后的提示词在大量请求中复用，或者压缩器的成本远低于主模型成本时，这笔账才算得过来。
检索的相关性过滤简单直接：不要传递所有检索到的块，只传递那些超过余弦相似度阈值的块。将此阈值从 0.7 提高到 0.8，通常能将检索到的 Token 减少 40-60%，同时也降低了可能会稀释模型注意力的噪音。
语义缓存：彻底消除调用
语义缓存将 LLM 的响应存储起来，并以输入的嵌入作为索引。当新查询到达时，系统会将其嵌入与缓存查询进行比较——如果相似度超过阈值，则直接返回缓存的响应，无需调用 API。
在典型的生产工作负载中，约有 31% 的 LLM 查询具有足够高的语义相似度，可从中受益。缓存命中以毫秒级返回，而非秒级，且 API 费用完全为零。对于支持聊天机器人、FAQ 系统以及查询分布呈聚类特征的应用，语义缓存可以直接消除 20-40% 的 API 调用。
权衡在于对新鲜度的敏感性。对于答案频繁变化的应用，陈旧数据是一种风险。请根据内容域的变化速度配置 TTL。对于静态知识库，激进的 TTL 是合适的。对于实时数据查询，则应针对这些查询类型完全禁用语义缓存。
硬性限额不可或缺
最廉价的优化手段是防止失控循环。一起有据可查的生产事故：某 Agent 在周末针对损坏的数据源发起了 847,000 次 API 调用，在被暂停账户之前累积了 3,847 美元的费用。另一起案例：某 Agent 在五分钟内调用了抓取工具 400 次，因为该工具返回“可能还有更多结果”——而 Agent 将此解读为继续获取的邀请。
每个 Agent 在部署前都需要设定三个硬性限额：
- 单任务最大迭代次数。 设定为预期平均值的 2-3 倍。大多数 Agent 框架（LangGraph、AutoGen、CrewAI）都将此作为一等配置暴露出来。
- 单任务最大 Token 支出。 设定为预演阶段观察到的 P95 支出值的 3 倍。将其作为中间件实施，在每次模型调用前检查累积成本。
- 最大实际执行时间。 用于捕获那些通过反复进行快速、廉价调用来规避 Token 预算的无限循环。
模棱两可的工具反馈是导致失控循环最常见的原因。如果工具能返回一种可能被解读为“继续”的信号，Agent 就会一直继续下去。请在工具输出模式中明确表述：包含一个 is_complete 布尔值或 next_action_required 字段，而不是依赖模型来推断终止条件。
FinOps：上线前必备的监控手段
成本可视化是闭环的关键。没有它，优化只能靠猜，异常情况则会变成惊吓。
最小可行 instrumentation 层需要追踪：
- 单次追踪成本。 每次 Agent 运行都应向可观测性系统发出其总成本（输入 Token × 价格 + 输出 Token × 价格，按模型层级细分）。
- 缓存命中率。 如果此指标低于基线，说明提示词结构或请求模式发生了变化。
- 输出 Token 比率。 输出 Token /（输入 + 输出）Token。该比率上升通常意味着 Agent 过于冗长——通常可以通过在系统提示词中添加“简洁回复”来修复（这通常能减少 15-25% 的输出 Token）。
- 单次完成步数。 步数增加表明任务变难或 Agent 陷入困境。无论哪种情况都值得调查。
Langfuse、Helicone 和 Portkey 等工具可在 API 网关层面提供单请求成本追踪和预算控制。对于异常检测，建议设置相对于滚动基准线 2σ 偏差的花费警报——如果你关注此信号，大多数成本事故在几分钟内即可被发现。
同一个 Agent 在未优化与良好优化的部署之间，成本差异可能高达 30-200 倍。这是目前大多数 AI 团�获得的最高投资回报率的工程工作。
实操优先级排序
如果你从零开始，请按以下顺序应用这些技术，一旦达到成本目标即可停止：
- 提示词缓存。 如果你的框架支持，无需更改代码。将静态内容移至前缀。立竿见影。
- 硬性限额。 防止那种让其他一切变得无关紧要的失控事故尾部风险。
- 输出 Token 控制。 在系统提示词中加入“简洁回复”。监控输出 Token 比率，看着它下降。
- 工具输出掩蔽。 为你最高频的工具编写后处理器。
- 模型路由。 按复杂度分类任务并路由至相应层级。先从简单的基于规则的分类器开始；如果量级证明其合理性，再升级为学习型路由器。
- 上下文压缩。 为长时间运行的会话实施滚动摘要。
- 语义缓存。 如果你的查询分布具有足够的聚类特征，则添加此项。
Agent 系统默认成本与经过良好工程优化后的成本之间的差距并非微不足道。这正是项目能否上线与在预算审核中被砍掉之间的区别。